005｜Agentic RAG：让检索过程也能自主决策

核心结论：Agentic RAG（艾·珍·提克·拉格）是把 Agent 的决策循环引入 RAG：检索不再是一次性的，而是可以规划、判断、修正、再检索的动态过程。

一、传统 RAG 的瓶颈

传统 RAG：

Query → Embedding → Vector DB → Top-K → LLM → Answer

问题：

1. 一次检索定生死。
2. 复杂问题搞不定。
3. 没有反馈修正。
4. 缺少工具协同。

二、Agentic RAG 的核心模式

1. Self-RAG（塞尔夫·拉格）

每次检索后 LLM 判断信息是否足够，不够就继续检索。

2. Corrective RAG（科·瑞克·提夫·拉格）

检索质量不够时，切换到 Web Search 等备用源。

3. Adaptive RAG（艾·达普·提夫·拉格）

根据问题复杂度选择不同策略：简单问题直接检索，复杂问题多步检索 + 工具调用。

三、典型流程

Planner: 把问题拆成子问题
Retriever: 检索第一个子问题
Reasoner: 判断信息是否足够
  - 足够 → 生成答案
  - 不够 → 继续检索或调用工具
Generator: 综合所有信息生成答案

四、Agentic RAG 的价值

• 能处理多跳问题（如 A 和 B 的关系）。
• 能动态选择检索源。
• 能把 RAG 和外部工具结合。
• 能自我修正，提高准确率。

五、面试问答

Q：Agentic RAG 和普通 RAG 有什么区别？

普通 RAG 是静态流水线，检索一次就生成答案。Agentic RAG 是动态循环，可以根据中间结果决定再检索什么、调用什么工具，能处理更复杂的问题。

六、一句话总结

RAG 给 LLM 提供了知识，Agentic RAG 让 LLM 知道怎么找知识、找够了没有、找错了怎么改。

下一步推荐

• 006｜GraphRAG：知识图谱如何让 RAG 更具推理能力
• 007｜长上下文与 RAG 结合：什么时候该扔全文，什么时候该检索